1.png)
Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth
Sari
Abstrak
Penelitian ini bertujuan untuk mengeksplorasi penggunaan teknik asosiasi untuk mengidentifikasi pola tersembunyi dalam data transaksi penjualan. Analisis pola pembelian pelanggan yang terkandung dalam sebuah data transaksi dilakukan pada dataset milik sebuah Toko Roti. Dataset memiliki atribut utama seperti nomor transaksi, item, kemudian variabel waktu seperti daytime, daypart dan daytype. Guna memaksimalkan hasil rekomendasi, dataset dibagi kedalam 6 bagian berdasarkan waktu pembelian dengan memanfaatkan atribut DayPart dan DayType. Selanjutnya algoritma FP-Growth dipilih karena kemampuannya mengidentifikasi sekumpulan item yang sering muncul dalam database transaksional dengan efisiensi tinggi. Berdasarkan penelitian yang telah dilakukan, penelitian ini merekomendasikan 6 rules yang diambil masing -masing dataset. Aturan-aturan yang dihasilkan ini nantinya dapat digunakan sebagai rekomendasi bundling produk pada waktu tertentu. Untuk mendapatkan rule yang kuat dalam data transaksi toko roti dimasukkan nilai minimum support berkisar diantara 0.02 (20%) – 0.06 (60%) dan nilai minimum confidence diantara 0.03 (30%) – 0.06 (60%) semua rules yang di diperoleh memiliki nilai nilai lift ratio lebih dari 1 yang menunjukkan adanya korelasi dan manfaat dari rules tersebut. Penentuan nilai minimum support dan confidence dipengaruhi dari jumlah transaksi yang terkandung pada setiap dataset
Kata kunci: Data Transaksi, Data Mining, Teknik Asosiasi, FP – Growth, Lift Ratio
Abstract
This study aims to explore the use of association techniques to identify hidden patterns in sales transaction data. The analysis of customer purchasing patterns contained in transaction data is conducted using a dataset from a bakery. The dataset includes key attributes such as transaction number, item, and time-related variables such as daytime, daypart, and daytype. To maximize recommendation results, the dataset is divided into six segments based on purchase time using the DayPart and DayType attributes. The FP-Growth algorithm is selected due to its efficiency in identifying frequently occurring itemsets within transactional databases. Based on the conducted analysis, the study recommends six rules derived from each dataset segment. These rules can be used for product bundling recommendations at specific times. To obtain strong rules, the transaction data of the bakery includes a minimum support value ranging from 0.02 (20%) to 0.06 (60%) and a minimum confidence value ranging from 0.03 (30%) to 0.06 (60%). All obtained rules have lift ratios greater than 1, indicating a correlation and benefit of the rules. The determination of minimum support and confidence values is influenced by the number of transactions within each dataset.
Keywords: Transaction Data, Data Mining, Association Techniques, FP – Growth, Lift Ratio.
Kata Kunci
Teks Lengkap:
PDFReferensi
R. G. & S. M. J. W. F. & S. Ramdhani, “Strategi Product Bundling Dengan Pendekatan Market Basket Analysis dan Cost Plus Pricing Pada Kedai Kopi,” Pros. Semin. Nas. Penelit. LPPM UMJ , 2023.
M. R. Kumar, J. Venkatesh, and A. M. J. M. Z. Rahman, “Data mining and machine learning in retail business: developing efficiencies for better customer retention,” J. Ambient Intell. Humaniz. Comput., no. 0123456789, 2021.
Anggun Pastika Sandi and Vina Widya Ningsih, “Implementasi Data Mining Sebagai Penentu Persediaan Produk Dengan Algoritma Fp-Growth Pada Data Penjualan Sinarmart,” J. Publ. Ilmu Komput. dan Multimed., vol. 1, no. 2, pp. 111–122, 2022.
P.-N. Tan, Steinbach, M., and V. Kumar, Introduction to Data Mining (3rd ed.). 2019.
N. F. FAHRUDIN, “Penerapan Algoritma Apriori untuk Market Basket Analysis,” MIND J., vol. 1, no. 2, pp. 13–23, 2019.
E. Elisa, “Market Basket Analysis Pada Mini Market Ayu Dengan Algoritma Apriori,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 2, pp. 472–478, 2018.
J. P. B. Saputra, S. A. Rahayu, and T. Hariguna, “Market Basket Analysis Using FP-Growth Algorithm to Design Marketing Strategy by Determining Consumer Purchasing Patterns,” J. Appl. Data Sci., vol. 4, no. 1, pp. 38–49, 2023.
C. Satria, A. Anggrawan, and Mayadi, “Recommendation System of Food Package Using Apriori and FP-Growth Data Mining Methods,” J. Adv. Inf. Technol., vol. 14, no. 3, pp. 454–462, 2023.
H. Maulidiya and A. Jananto, “Asosiasi Data Mining Menggunakan Algoritma Apriori dan FP-Growth sebagai Dasar Pertimbangan Penentuan Paket Sembako,” Proceeding SENDIU 2020, vol. 6, pp. 36–42, 2020.
D. Listriani, A. H. Setyaningrum, and F. E. M.A, “Penerapan Metode Asosiasi Menggunakan Algoritma Apriori Pada Aplikasi Pola Belanja Konsumen ( Studi Kasus Toko Buku Gramedia Bintaro ),” J. Tek. Inform. Vol 9 No. 2, Univ. Islam Negeri Jakarta, vol. 9, no. 2, pp. 120–127, 2016.
I. A. Ashari, A. Wirasto, D. N. Triwibowo, and Purwono, “Implementasi Market Basket Analysis dengan Algoritma Apriori untuk Analisis Pendapatan Usaha Retail,” J. Manajemen, Tek. Inform. dan Rekayasa Kompute, vol. 21, 2022.
B. P. Patel, N. Gupta, R. K. Karn, and Y. Rana, “Optimization of association rules mining Apriori algorithm based on ACO,” Int. J. Emerg. Technol., vol. 2, no. 1, pp. 87–92, 2011.
F. Achmad, O. Nurdiawan, and Y. Arie Wijaya, “Analisa Pola Transaksi Pembelian Konsumen Pada Toko Ritel Kesehatan Menggunakan Algoritma Fp-Growth,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 168–175, 2023.
Erwin, “Analisis Market Basket Dengan Algoritma,” J. Generic, vol. 4, pp. 26–30, 2009.
E. W. Pujiharto, K. Kusrini, and A. Nasiri, “Analisis Perbandingan Kinerja Algoritma Apriori, FP-Growth dan Eclat dalam menemukan Pola Frekuensi pada Dataset INA-CBG’S,” CogITo Smart J., vol. 9, no. 2, pp. 340–354, 2023.
A. K. Singh, A. Kumar, and A. K. Maurya, “An empirical analysis and comparison of apriori and FP-growth algorithm for frequent pattern mining,” Proc. 2014 IEEE Int. Conf. Adv. Commun. Control Comput. Technol. ICACCCT 2014, no. 97, pp. 1599–1602, 2015.
E. Kusrini, Algoritma Data Mining. Yogyakarta: Andi, 2009.
D. T. Larose, Data Mining Methods & Models. Wiley-Interscience, 2006.
Md. Rabiul Islam; Mst. Sahela Rahman; Md. Julker Nayeem, Association Rules Mining for a Specific Time Period in a Day in Large Transactional Database. 2023.
F. Elahe and K. Zhang, “Mining Frequent Itemsets Along with Rare Itemsets Based on Categorical Multiple Minimum Support,” vol. 18, no. 6, pp. 109–114, 2016.
W. P. Nurmayanti et al., “Market Basket Analysis with Apriori Algorithm and Frequent Pattern Growth (Fp-Growth) on Outdoor Product Sales Data,” Int. J. Educ. Res. Soc. Sci., vol. 2, no. 1, pp. 132–139, 2021.
L. Samboteng, Rulinawaty, M. R. Kasmad, M. Basit, and R. Rahim, “Market Basket Analysis of Administrative Patterns Data of Consumer Purchases Using Data Mining Technology,” J. Appl. Eng. Sci., vol. 20, no. 2, pp. 339–345, 2022.
S. G. Setyorini, Mustakim, J. Adhiva, and S. A. Putri, “Penerapan Algoritma FP-Growth dalam Penentuan Pola Pembelian Konsumen,” Semin. Nas. Teknol. Informasi, Komun. dan Ind., pp. 180–186, 2020.
E. Munanda and S. Monalisa, “Penerapan Algoritma Fp-Growth Pada Data Transaksi Penjualan Untuk Penentuan Tataletak,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 7, no. 2, pp. 173–184, 2021.
P. Palupiningsih and B. Prayitno, “Implementasi Algoritma Fp-Growth Untuk Penentuan Rekomendasi Produk UMKM berdasarkan Frekuensi Pembelian,” J. Teknoinfo, vol. 17, pp. 493–501, 2023.
Muhammad Alvin, Alwis Nazir, M Fikry, Jasril, and Fadhilah Syafria, “Implementasi Algoritma Fp-Growth Untuk Mengetahui Faktor Yang Berpengaruh Terhadap Kemampuan Membaca Al-Quran Siswa,” J. RESTIKOM Ris. Tek. Inform. dan Komput., vol. 2, no. 2, pp. 66–78, 2022.
DOI: https://doi.org/10.26760/jrh.v8i3.297-308
Refbacks
- Saat ini tidak ada refbacks.
Alamat redaksi dan tata usaha:
Lembaga Penelitian dan Pengabdian Masyarakat Institut Teknologi Nasional
Fakultas, gedung 14 Lantai 3
Jl. PHH. Mustapa 23 Bandung 40124
Tlp. 022-7272215 Pes. 159, Fax. 022-7202892,
e-mail: hrekayasa@itenas.ac.id
Terindeks:
Jurnal ini terlisensi oleh Creative Commons Attribution-ShareAlike 4.0 International License.
